(Luận văn thạc sĩ) nghiên cứu, xây dựng mô hình machine learning để phát hiện và chẩn đoán lỗi hệ thống chiller bằng thuật toán k nearest neighbors

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ LÊ HÀ ĐÔNG QUÂN NGHIÊN CỨU, XÂY DỰNG MƠ HÌNH MACHINE LEARNING ĐỂ PHÁT HIỆN VÀ CHẨN ĐỐN LỖI HỆ THỐNG CHILLER BẰNG THUẬT TOÁN K-NEAREST NEIGHBORS NGÀNH: KỸ THUẬT NHIỆT – 8520115 Hướng dẫn khoa học: TS LÊ MINH NHỰT Tp Hồ Chí Minh, tháng 04 năm 2023 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ LÊ HÀ ĐÔNG QUÂN NGHIÊN CỨU, XÂY DỰNG MƠ HÌNH MACHINE LEARNING ĐỂ PHÁT HIỆN VÀ CHẨN ĐOÁN LỖI HỆ THỐNG CHILLER BẰNG THUẬT TOÁN K-NEAREST NEIGHBORS NGÀNH: KỸ THUẬT NHIỆT SKC008024 Tp Hồ Chí Minh, tháng 04/2023 self.values = values self.shape = self.values.shape self.nb_rows = self.shape[0] self.nb_cols = self.shape[1] self.labels_raw = ['Normal', 'ConFoul', 'NonCon', 'ReduCF', 'ReduEF', 'ExcsOil', 'RefLeak', 'RefOver'] self.levels_raw = ['ConFoul_LV1', 'ConFoul_LV2', 'ConFoul_LV3', 'ConFoul_LV4', 'NonCon_LV1', 'NonCon_LV2', 'NonCon_LV3', 'NonCon_LV4', 'ReduCF_LV1', 'ReduCF_LV2', 'ReduCF_LV3', 'ReduCF_LV4', 'ReduEF_LV1', 'ReduEF_LV2', 'ReduEF_LV3', 'ReduEF_LV4', 'ExcsOil_LV1', 'ExcsOil_LV2', 'ExcsOil_LV3', 'ExcsOil_LV4', 'RefLeak_LV1', 'RefLeak_LV2', 'RefLeak_LV3', 'RefLeak_LV4', 'RefOver_LV1', 'RefOver_LV2', 'RefOver_LV3', 'RefOver_LV4'] def test_data_stage_2(class_test_data, pred_case_stage_1): index_test_st2 = [] labels_test_st2 = [] levels_test_st2 = [] X_test_st2 = [] for i in range(len(class_test_data.labels)): if pred_case_stage_1[i] == class_test_data.labels[i]: index_test_st2.append(class_test_data.indexes[i]) labels_test_st2.append(class_test_data.labels[i]) levels_test_st2.append(class_test_data.levels[i]) X_test_st2.append(class_test_data.values[i]) index_test_st2 = np.array(index_test_st2) labels_test_st2 = np.array(labels_test_st2) X_test_st2 = np.array(X_test_st2) levels_test_st2 = np.array(levels_test_st2) 86 test_data_st2=FullData(index_test_st2,labels_test_st2,levels_test_st2, X_test_st2) labels_test_without_Normal=np.logical_not(test_data_st2.labels=='Normal') index_test_2 = test_data_st2.indexes[labels_test_without_ Normal] labels_test_2 = test_data_st2.labels[labels_test_without_ Normal] levels_test_2 = test_data_st2.levels[labels_test_without_ Normal] X_test_2 = test_data_st2.values[labels_test_without_ Normal] test_data_st2= FullData(index_test_2, labels_test_2, levels_test_2, X_test_2) return test_data_st2 #Read data train_data_1 = pd.read_csv(datalink+"/ train_data_1.csv") test_data_1 = pd.read_csv(datalink+"/ test_data_1.csv") train_data_2 = pd.read_csv(datalink+"/ train_data_2.csv") test_data_2 = pd.read_csv(datalink+"/ test_data_2.csv") #STAGES 1: #Case FDD-KNN FDD_KNN = neighbors.KNeighborsClassifier(n_neighbors = 1, p=2) FDD_KNN.fit(train_data_1.values, train_data_1.labels) pred_ FDD_KNN.predict(test_data_1.values) #Case FDD-KNN-ANOVA FDD_KNN_ANOVA=neighbors.KNeighborsClassifier(n_neighbors=2, weights=myweight, p=2) FDD_KNN_ANOVA.fit(train_data_2.values, train_data_2.labels) pred_FDD_KNN_ANOVA=FDD_KNN_ANOVA.predict(test_data_2.values) #STAGES 2: levels_raw = ['ConFoul_LV1', 'ConFoul_LV2', 'ConFoul_LV3', 'ConFoul_LV4', 'NonCon_LV1', 'NonCon_LV2', 'NonCon_LV3', 'NonCon_LV4', 'ReduCF_LV1', 'ReduCF_LV2', 'ReduCF_LV3', 'ReduCF_LV4', 'ReduEF_LV1', 'ReduEF_LV2', 'ReduEF_LV3', 'ReduEF_LV4', 87 'ExcsOil_LV1', 'ExcsOil_LV2', 'ExcsOil_LV3', 'ExcsOil_LV4', 'RefLeak_LV1', 'RefLeak_LV2', 'RefLeak_LV3', 'RefLeak_LV4', 'RefOver_LV1', 'RefOver_LV2', 'RefOver_LV3', 'RefOver_LV4'] #TRAIN STAGES 2, FDD-KNN labels_train_FDD_KNN = np.logical_not(train_data_1.labels == 'Normal') levels_train_ FDD_KNN = train_data_1.levels[labels_train_FDD_KNN] FDD_KNN _train= train_data_1.values[labels_train_ FDD_KNN] FDD_KNN_test = test_data_stage_2(test_data_1, pred_ FDD_KNN) #TRAIN STAGES 2, FDD-KNN-ANOVA labels_train_FDD_KNN_ANOVA=np.logical_not(train_data_2.labels =='Normal') levels_train_FDD_KNN_ANOVA= train_data_2.levels[labels_train_FDD_KNN_ANOVA] FDD_KNN_ANOVA_train= train_data_2.values[labels_train_FDD_KNN_ANOVA] FDD_KNN_ANOVA_test= test_data_stage_2(test_data_2,pred_FDD_KNN_ANOVA) #TEST STAGES 2, FDD-KNN FDD_KNN_st2 = neighbors.KNeighborsClassifier(n_neighbors=1, p=2) FDD_KNN_st2.fit(FDD_KNN _train, levels_train_ FDD_KNN) pred_ FDD_KNN_st2= FDD_KNN_st2.predict(FDD_KNN_test.values) #TEST STAGES 2, FDD-KNN-ANOVA FDD_KNN_ANOVA_st2 = neighbors.KNeighborsClassifier(n_neighbors=2, weights=myweight, p=2) FDD_KNN_ANOVA_st2.fit( FDD_KNN_ANOVA_train,levels_train_FDD_KNN_ANOVA) pred_FDD_KNN_ANOVA_st2= FDD_KNN_ANOVA_st2.predict(FDD_KNN_ANOVA_test.values) 88 NỘI DUNG BÀI BÁO Effects of K-value in the K-Nearest Neighbors Algorithm on Performace of Chiller Fault Detection and Diagnosis Le Ha Dong Quan, Le Minh Nhut* Ho Chi Minh City University of Technology and Education, Vietnam * Corresponding author Email: nhutlm@hcmute.edu.vn ARTICLE INFO ABSTRACT Received: Fault detection and diagnosis for water chiller systems help to extend the Revised: life of the system, prevent serious damage, and reduce energy consumption For these reasons, this paper investigates the K value of the Accepted: KNN algorithm and proposes a fault detection and diagnosis model for the Published: water chiller system based on the K-nearest neighbors algorithm (FDD- KEYWORDS KNN) The study results indicated that the FDD-KNN model has an HVAC; accuracy rate of 99.15% or higher when the value of K is When FDD; compared to previous studies for LV3 and LV4 severity faults, the proposed model exhibits high and uniform diagnostic accuracy across all KNN; faults and fault levels In addition, the fault isolation and fluctuating trends Energy; of the variables in practice for Normal and fouling of the ConFoul Condenser condenser were also checked by the actual database of the water chiller systems, Center Saigon Building, Ho Chi Minh City, Vietnam The results show that the changing trend of the two variables, TCO and TRC, is consistent with the actual operating conditions of the system Therefore, the proposed model FDD-KNN with K=1 is completely reliable to apply to fault detection and diagnosis for water chiller systems Ảnh Hưởng Giá Trị K Của Thuật Toán KNN Đến Hiệu Suất Chẩn Đoán Lỗi Cho Hệ Thống Điều Hịa Khơng Khí Trung Tâm Lê Hà Đông Quân, Lê Minh Nhựt* Trường Đại học Sư phạm Kỹ Thuật Thành phố Hồ Chí Minh, Việt Nam * Tác giả liên hệ Email: nhutlm@hcmute.edu.vn THÔNG TIN BÀI BÁO TĨM TẮT Ngày nhận bài: Phát chẩn đốn lỗi kịp thời cho hệ thống điều hịa khơng khí trung Ngày hoàn thiện: tâm (ĐHKKTT) giúp tăng tuổi thọ, ngăn ngừa hư hỏng nghiêm trọng Ngày giảm lãng phí lượng hệ thống Từ thực tế trên, nghiên cứu đăng: chấn nhận xác định giá trị K thuật tốn KNN, đề xuất mơ hình phát chẩn 89 đoán lỗi cho hệ thống ĐHKKTT dựa thuật toán K-nearest neighbors Ngày đăng: (FDD-KNN) Kết cho thấy giá trị K=1 mơ hình FDD-KNN cho TỪ KHĨA hiệu suất chẩn đốn xác lỗi đạt tỉ lệ từ 99.15% trở lên Khi so Hệ thống điều hịa khơng khí; sánh với nghiên cứu trước lỗi nghiêm trọng LV3 LV4, FDD; mơ hình đề suất cho thấy chẩn đốn xác cao đồng KNN; lỗi mức độ lỗi Ngoài ra, khả cô lập lỗi xu hướng dao động Năng lượng; biến số thực tế trạng thái bình thường Normal bám Bình ngưng; bẩn bình ngưng ConFoul kiểm tra sở liệu thực tế hệ thống ĐHKKTT cơng trình Saigon Centre, thành phố Hồ Chí Minh, Việt Nam Kết cho thấy thay đổi biến số TCO TRC phù hợp với điều kiện vận hành thực tế hệ thống Do đó, mơ hình đề xuất FDDKNN với K=1 hoàn toàn đáng tin cậy để áp dụng vào chẩn đoán lỗi cho hệ thống ĐHKKTT Doi: https://doi.org/10.54644/jtexxxxxxx Copyright © JTE This is an open access article distributed under the terms and conditions of the Creative Commons Attribution-NonCommercial 4.0 International License which permits unrestricted use, distribution, and reproduction in any medium for non-commercial purpose, provided the original work is properly cited Giới thiệu Hệ thống điều hịa khơng khí trung tâm lắp đặt ngày nhiều cơng trình xây dựng nhằm đáp ứng điều kiện tiện nghi đóng vai trị quan trọng số ngành công nghiệp sản xuất Các hệ thống có cấu tạo phức tạp nên trình hoạt động dễ xảy lỗi cố gây hư hỏng Khi vận hành hệ thống tình trạng lỗi dẫn đến suy giảm tuổi thọ thiết bị, gián đoạn qn trình sản xuất lãng phí lượng Việc phát chẩn đoán lỗi kịp thời giúp chủ động lên kế hoạch bảo trì, tránh dẫn đến hư hỏng nghiêm trọng tiết kiệm khoảng 15 - 30% lượng tiêu thụ Mặc dù loại lỗi khác xảy trình vận hành lỗi gây suy giảm hiệu suất hệ thống cần chẩn đoán kịp thời chúng có biểu khó nắm bắt, gây lãng phí lượng dễ dẫn đến ngưng hoạt động hệ thống lỗi tiến triển nghiêm trọng Các phương pháp phát chẩn đoán lỗi (FDD) chia thành ba nhóm: phương pháp dựa định lượng, phương pháp dựa định tính phương pháp dựa liệu [1] Phương pháp dựa định lượng cung cấp mơ tả tốn học trình vật lý chi tiết, nhược điểm khó áp dụng hệ thống phức tạp nên sử dụng FDD Phương pháp dựa định tính dựa mối quan hệ vật lý định tính, kiến thức cá nhân hệ thống để xây dựng quy tắc chẩn đoán, nhược điểm khó áp dụng vào hệ thống lớn khơng đảm bảo tính khách quan Phương pháp dựa liệu sử dụng mơ hình tốn học để mô tả liên hệ đầu vào đầu lịch sử liệu lưu trữ Khác với hai phương trên, phương pháp đảm bảo tính khách quan, xác cao hệ thống phức tạp dễ dàng phát triển theo thay đổi hệ thống thực 90 Trong năm gần đây, nhiều nghiên cứu tập trung vào phát triển FDD cho hệ thống điều hịa khơng khí trung tâm phương pháp dựa liệu Huang cộng [2] đề xuất phương pháp FDD sử dụng thuật toán AC 10 biến số vật lý Kết cho thấy mơ hình có hiệu suất chẩn đốn xác 100% lỗi bám bẩn bình ngưng, nhiên lỗi dư mơi chất có hiệu suất chẩn đốn khơng cao với 67.4% Suowei cộng [3] phát mơ hình SI-PB-BNC có kết chẩn đốn xác tuyệt đối lỗi khí khơng ngưng Tuy nhiên, mơ hình có tỷ lệ chẩn đốn xác chưa cao lỗi rò rỉ chất làm lạnh 69.4% bám bẩn bình ngưng 73.6% Mơ hình SP-CNN7-16 đề xuất Gao cộng [4] khắc phục phần nhược điểm chênh lệch mức độ chẩn đốn xác lỗi Tuy nhiên tỷ lệ chẩn đốn lỗi dư dầu, rị rỉ mơi chất lạnh dư mơi chất lạnh cịn chưa bật Chen cộng [5] sử dụng thuật toán GDW-SVDD 16 biến số vật lý, kết cho thấy mơ hình chẩn đốn lỗi giảm lưu lượng nước lạnh qua bình bay giảm hiệu suất chẩn đốn mức độ lỗi giảm Mơ hình CBA trình bày Liu cộng [6] có tỷ lệ chẩn đốn xác lỗi dư mơi chất lạnh 89.74% mức độ lỗi nghiêm trọng Kết cần cải thiện dư mơi chất gây tác động nguy hiểm đến hệ thống Mơ hình EBD-DBN [7] Wang cộng cho thấy khả hạn chế chẩn đoán lỗi mơi chất lạnh Ngồi ra, tỷ lệ chẩn đốn xác giảm nhiều mức độ nghiêm trọng giảm, điển lỗi bám bẩn bình ngưng giảm độ xác từ 98% mức độ lỗi cao xuống 74% mức độ lỗi thấp Các nghiên cứu FDD cho hệ thống điều hịa khơng khí trung tâm bật số lượng đa dạng thuật tốn xây dựng mơ hình Trong số đó, thuật toán K-nearest neighbors (KNN) xem thuật tốn hàng đầu, có vai trị quan trọng việc giải vấn đề phân loại khai thác liệu [8] Zhang cộng [9] thực kết hợp kết phân loại thuật toán KNN số thuật toán khác để xác định phân loại cuối cho mẫu liệu Kết cho thấy kết hợp cho tỷ lệ chẩn đốn xác cao so với sử dụng thuật toán riêng lẻ Yan cộng [10] so sánh kết mơ hình sử dụng thuật toán khác để lựa chọn phân loại cho mạng GAN Mặc dù không đạt hiệu suất chẩn đoán cao thuật toán KNN thể nhiều tiềm cần khai thác Trong nghiên cứu vừa nêu trên, giá trị K thuật toán KNN chưa phân tích, tham số quan trọng ảnh hưởng đến hiệu suất chẩn đoán nên cần quan tâm xác định Các nghiên cứu trước sử dụng nhiều biến số vật lý làm tăng lượng thông tin chồng chéo Hậu làm giảm hiệu suất chẩn đốn, tăng chi phí cảm biến thời gian tính tốn Ngồi ra, độ xác mơ hình chẩn đốn lỗi giảm mức độ lỗi giảm Việc trì hiệu suất chẩn đốn cho lỗi mức độ lỗi nâng cao độ tin cậy khả đáp ứng mơ hình vấn đề thực tế Trong nghiên cứu này, giá trị K thuật tốn KNN phân tích xác định, mơ hình phát chẩn đốn lỗi cho hệ thống điều hòa trung tâm dựa thuật toán K-nearest neighbors (FDDKNN) đề xuất để khắc phục nhược điểm Ngồi ra, mơ hình đề xuất kiểm 91 chứng độ tin cậy dựa liệu vận hành thực tế hệ thống điều hịa khơng khí trung tâm, giải nhiệt nước tịa nhà Saigon Centre, thành phố Hồ Chí Minh Phương pháp nghiên cứu 2.1 Thuật toán K-Nearest Neighbors (KNN) mơ hình phân loại Ý tưởng KNN phần lớn điểm liệu lân cận thuộc nhóm liệu cần phân loại thuộc nhóm Do đó, theo khoảng cách Euclide, phương pháp KNN tìm kiếm K điểm liệu lân cận phân loại sẵn Sau đó, phương pháp biểu phân loại điểm lân cận sử dụng để xác định phân loại liệu Trong báo này, phương pháp biểu đa số sử dụng Phương pháp biểu đa số có kết phân loại nhãn xuất thường xuyên K điểm lân cận Hình thể bước giải thuật thuật tốn KNN Hình Các bước giải thuật thuật tốn KNN 2.2 Q trình tiền xử lý liệu Các liệu trạng thái không ổn định hệ thống loại bỏ kết nghiên cứu Glass cộng [11] Các điểm liệu dị biệt loại bỏ việc đặt ngưỡng ngưỡng thông qua giá trị tứ phân vị liệu Khi liệu cao ngưỡng ngưỡng dưới, bị loại bỏ Ngưỡng xác định công thức: Q 1.5 Q Q (1) Q (2) Ngưỡng xác định công thức: Q 1.5 Q Trong đó, Q Q tứ phân vị thứ thứ ba liệu Q trình chẩn hóa liệu thực để giảm tác động bất lợi đến mơ hình Chuẩn hóa Z-score áp dụng báo 2.3 Các số đánh giá hiệu suất mơ hình phân loại Ma trận nhầm lẫn: ma trận vng với kích thước chiều với số lượng nhóm cần phân loại Xét toán phân loại nhị phân, ma trận nhầm lẫn điển hình thể bảng 92 Bảng Ma trận nhầm lẫn điển hình cho tốn phân loại nhị phân Chẩn đốn: Dương tính Chẩn đốn: Âm tính Thực sự: Dương tính Dương tính thật (TP) Âm tính giả (FN) Thực sự: Âm tính Dương tính giả (FP) Âm tính thật (TN) Trong dương tính thật (TP) âm tính thật (TN) số mẫu liệu mơ hình phân loại xác Dương tính giả (FP) âm tính giả (FN) số mẫu liệu mơ hình phân loại sai Một mơ hình phân loại tốt có ma trận nhầm lẫn với số lượng lớn mẫu liệu nằm đường chéo số lượng nhỏ (lý tưởng 0) nằm đường chéo Đối với vấn đề phân loại nhiều nhóm chẩn đốn lỗi hệ thống điều hịa khơng khí trung tâm, trạng thái cần chẩn đốn xem nhãn “dương tính” trạng thái cịn lại xem nhãn “âm tính” Tỷ lệ chẩn đốn xác (Hit Rate – HR): cho biết độ chẩn đốn xác mơ hình với trạng thái Tỷ lệ HR tính từ thành phần ma trận nhầm lẫn sau HR TP/ TP FP (3) 2.4 Mơ hình FDD-KNN cho hệ thống điều hịa khơng khí trung tâm Cấu trúc mơ hình bao gồm ba mơ-đun: tiền xử lý liệu, phát triển mơ hình, mơ hình phát chẩn đốn Tiền xử lý liệu: liệu vận hành thực trình tiền xử lý, biến số vật lý phân tích lựa chọn Với phân loại, mẫu liệu lấy cách ngẫu nhiên Tập hợp mẫu liệu thu được phân chia thành tập liệu độc lập: đào tạo, kiểm định kiểm tra Phát triển mơ hình: cấu trúc mơ hình FDD xác định, giá trị K thuật tốn KNN phân tích ảnh hưởng đến hiệu suất chẩn đoán xác định giá trị tối ưu thơng qua q trình kiểm định mơ hình Mơ hình phát chẩn đốn lỗi: gồm giai đoạn chẩn đoán trạng thái, giai đoạn chẩn đoán mức độ lỗi Trong giai đoạn 1, liệu chẩn đoán trạng thái trạng thái lỗi tiến hành chẩn đoán mức độ lỗi giai đoạn Tập liệu kiểm tra sử dụng để kiểm tra khả hoạt động mơ hình 2.5 Cơ sở liệu ASHRAE RP-1043 Mơ hình FDD-KNN nghiên cứu xây dựng dựa liệu dự án ASHRAE RP-1043 [12] Đây sở liệu sử dụng rộng rãi lĩnh vực FDD cho hệ thống điều hịa khơng khí trung tâm [2-4] Thiết bị sử dụng loại ly tâm có cơng suất lạnh khoảng 316 kW, môi chất lạnh R134a Thiết bị ngưng tụ bay có trao đổi nhiệt dạng ống vỏ, chất tải lạnh nước chảy ống mơi chất lạnh bên ngồi ống Hệ thống vận hành trạng thái bình thường tiến hành tạo lỗi để ghi nhận liệu Bảy lỗi độc lập tiến hành tạo lỗi bao gồm: bám bẩn bình ngưng (ConFoul), dư dầu (ExcsOil), giảm lưu lượng nước bình ngưng (ReduCF), giảm lưu lượng nước bình bay (ReduEF), khí khơng ngưng (NonCon), thiếu/rị rỉ mơi chất lạnh (RefLeak) 93 dư mơi chất lạnh (RefOver) Các thí nghiệm thực hiện, 64 biến số vật lý hệ thống tự động ghi lại sau 10 giây Phương pháp tạo lỗi chi tiết bốn mức độ nghiêm trọng lỗi mô tả bảng Bảng Phương pháp tạo lỗi mức độ lỗi Kí hiệu Mức độ Mức độ Mức độ Mức độ (LV1) (LV2) (LV3) (LV4) ConFoul 12% 20% 30% 45% Bịt đầu ống bình ngưng ExcsOil + 14% + 32% + 50% + 68% Nạp thêm dầu ReduCF - 10% - 20% - 30% - 40% Giảm lưu lượng nước ReduEF - 10% - 20% - 30% - 40% Giảm lưu lượng nước NonCon + 1% + 1.8% + 2.4% + 5.6% Đưa khí nito vào RefLeak - 10% - 20% - 30% - 40% Xả bớt môi chất lạnh RefOver + 10% + 20% + 30% + 40% Nạp thêm môi chất lạnh Phương pháp tạo lỗi Các biến số vật lý lựa chọn dựa mức độ nhạy cảm đặc trưng với lỗi, tác động chi tiết lỗi phân tích sau: Lỗi dư dầu: lỗi xảy lượng dầu khoang máy nén nhiều làm tăng tổn thất học nên nhiệt độ dầu TO_feed tăng Các lỗi giảm lưu lượng nước: lưu lượng nước ngưng tụ giảm, nhiệt độ nước vào thải nhiệt bình ngưng không đổi Kết nhiệt độ nước khỏi bình ngưng tăng độ chênh lệch nhiệt độ đầu TCO đầu vào TCI lớn Tương tự với lỗi giảm lưu lượng nước bình bay hơi, độ chênh lệch nhiệt độ đầu vào TEI đầu TEO lớn Khí khơng ngưng: khí khơng ngưng có xu hướng tích tụ thiết bị ngưng tụ, làm tăng nhiệt độ bão hịa mơi chất lạnh bình ngưng TRC Các lỗi mơi chất lạnh: dư môi chất lạnh làm tăng lượng môi chất hệ thống, nhiệt độ bão hịa mơi chất bình bay TRE nhiệt độ cuối tầm nén TR_dis tăng Ngược lại hệ thống thiếu môi chất lạnh TRE TR_dis giảm Bám bẩn bình ngưng: hệ thống điều hịa khơng khí trung tâm giải nhiệt nước, cặn bẩn tích tụ thiết bị ngưng tụ quy trình xử lý nước áp dụng Độ chênh lệch TRC TCO mong đợi để cô lập lỗi Kết thảo luận 3.1 Ảnh hưởng giá trị K Trong nghiên cứu này, giá trị K thuật toán KNN thay đổi phạm vi từ đến 10 Mỗi giá trị K tham gia vào mơ hình FDD-KNN ước tính khả chẩn đoán lỗi mức độ lỗi Kết khảo sát thể hình 94 Hình Xác định giá trị K Hình cho thấy ứng với giá trị K, hiệu suất mơ hình giai đoạn cao giai đoạn Nguyên nhân giai đoạn phân loại trạng thái thực hiện, có số lỗi có biểu giống việc lựa chọn biến số vật lý đảm bảo cho việc phân biệt chúng Ở giai đoạn 2, mơ hình có nhiệm vụ phân biệt mức độ lỗi Việc chẩn đốn gặp khó khăn dễ nhầm lẫn thay đổi thơng số mức độ lỗi nhỏ, đặc biệt mức độ lỗi nhẹ Ngoài ra, giá trị K tăng hiệu suất mơ hình có xu hướng giảm kích thước vùng lân cận tăng khiến mẫu liệu thuộc trạng thái khác tồn vùng lân cận Do đó, lỗi có biểu giống phân biệt khoảng biến thiên biến số dễ bị chẩn đoán nhầm Giá trị vùng lân cận xác định giá trị tối ưu mơ hình cho hiệu suất chẩn đốn cao Do đó, mơ hình FDD-KNN với K = tiếp tục thực đánh giá chi tiết khác để xác định khả chẩn đoán 3.2 Kết chẩn đốn Ma trận nhầm lẫn mơ hình FDD-KNN giai đoạn chẩn đốn mức độ lỗi thể hình Trong hình gồm bảy ma trận nhầm lẫn thành phần thể cho lỗi Hình Ma trận nhầm lẫn mơ hình FDD-KNN 95 Hình cho thấy mức độ lỗi gần thường chẩn đoán nhầm cho nhau, đặc biệt là mức độ lỗi nhẹ Không có trường hợp lỗi ReduCF bị chẩn đốn sai mức độ lỗi Các lỗi cịn lại có hiệu suất chẩn đoán tốt số lượng phần tử đường chéo cao phần tử nằm ngồi đường chéo đa số có giá trị nhỏ Lỗi ConFoul thời gian dài để tích tụ cặn bẩn tác động lên biến số nên có chẩn đốn nhầm lẫn nhiều mức độ lỗi như: LV3, LV2 LV1 Lỗi RefOver có số lượng chẩn đốn sai nhiều nhất, để cải thiện hiệu suất cần bổ sung biến vật lý nhạy cảm với lỗi 3.3 So sánh với nghiên cứu trước Hình so sánh tỉ lệ HR mơ hình FDD-KNN, mơ hình AC [2], mơ hình SI-PB-BNC [3] mơ hình SP-CNN7-16 [4] Mơ hình AC có tỉ lệ HR ConFoul đạt tuyệt đối 100% lỗi RefLeak, RefOver đạt 80.8% 67.4% Trên thực tế, lỗi môi chất lạnh dễ xảy ra, đặc biệt sau hệ thống bảo trì Một mơ hình có tỉ lệ chẩn đốn lỗi mơi chất lạnh cao đáng tin cậy Mơ hình SI-PB-BNC cho kết tỉ lệ HR lỗi NonCon 100% có nhược điểm lỗi ConFoul có tỉ lệ HR thấp đạt 73.6% Lỗi ConFoul xuất q trình vận hành khó xác định thời điểm lỗi hình thành Do đó, cần mơ hình FDD có tỷ lệ chẩn HR lỗi ConFoul cao Mơ hình SP-CNN7-16 cho kết tỉ lệ HR lỗi ConFoul, NonCon, ReduCF ReduEF 100%, 99.61%, 100% 99.81%, nhiên lỗi ExcsOil, RefLeak RefOver có tỉ lệ HR thấp có giá trị 96.47%, 96.07% 93.72% Trong đó, mơ hình FDD-KNN đề xuất có tỷ lệ HR lỗi ConFoul, NonCon, ReduCF, ReduEF, ExcsOil , RefLeak, RefOver 99.15%, 99.91%, 100%, 99.73%, 99.55%, 99.46% 99.27% Tỉ lệ HR mơ hình FDD-KNN cao đồng đều, điều cho thấy mơ hình đáng tin cậy để áp dụng cho hệ thống thực tế khắc phục nhược điểm nghiên cứu trước Hình So sánh độ xác chẩn đốn lỗi với nghiên cứu trước 96 (a) LV3 (b) LV4 Hình So sánh độ xác chẩn đốn mức độ lỗi với nghiên cứu trước: (a) LV3; (b) LV4 Hình so sánh tỷ lệ HR mức độ lỗi nghiêm trọng (LV4 LV3) mơ hình FDD-KNN, mơ hình GDW-SVDD [5], mơ hình CBA [6] mơ hình EBD-DBN [7] Mơ hình GDW-SVDD tỉ lệ HR lỗi ConFoul, NonCon, ReduCF, ExcsOil, RefOver đạt tỉ lệ chẩn đoán HR cao 100%, nhiên có hiệu suất chẩn lỗi ReduEF thấp đạt 80% LV4 66.75% LV3 Bên cạnh đó, lỗi RefLeak thể suy giảm độ xác mức độ lỗi giảm, tỷ lệ HR lỗi đạt 100% LV4 giảm 93.25% LV3 Mơ hình CBA chẩn đốn chưa tốt lỗi ConFoul RefOver tỷ lệ HR LV3 đạt 90.7% 87.88%, đồng thời khả chẩn đoán lỗi ConFoul, ExcsOil, RefLeak RefOver giảm mức độ lỗi giảm Mơ hình EBDDBN cho thấy tỷ lệ chẩn đốn xác lỗi có chênh lệch Bằng chứng mức độ lỗi, RefLeak có tỷ lệ HR 86% ReduEF có tỷ lệ HR 96% Trong thực tế, lỗi xảy nên cần cải thiện tỷ lệ HR trì khả chẩn đốn lỗi để nâng cao độ tin cậy mơ hình Ngồi ra, việc giảm tỷ lệ HR mức độ lỗi giảm thể rõ lỗi RefLeak từ 98% xuống 86% RefOver từ 91% xuống 89% Trong đó, mơ hình FDD-KNN có hiệu suất cao đồng hai mức độ lỗi LV4 LV3 Tỷ lệ chẩn đoán lỗi ConFoul, NonCon, ReduCF, ReduEF ExcsOil đạt xác tuyệt đối hai mức độ lỗi Chỉ có lỗi RefOver giảm tỷ lệ HR mức độ lỗi giảm mức độ giảm nhỏ (tỷ lệ HR chênh lệch 0.59%) Các kết so sánh cho thấy mơ hình FDD-KNN có khả chẩn đốn xác cao đồng lỗi ứng với giá trị K=1 Mơ hình khắc phục nhược điểm nghiên cứu trước có độ tin cậy cao Ngồi ra, khả chẩn đốn mức độ lỗi mơ hình trì mức độ nghiêm trọng lỗi giảm Điều cịn có ý nghĩa quan trọng thực tế phát sớm lỗi ngăn chặn hư hỏng cho thiết bị tránh lãng phí lượng 3.4 Đánh giá liệu thực tế Trong phần này, hai biến số vật lý TCO TRC kiểm chứng xem chúng có thật có ý nghĩa việc lập lỗi bám bẩn bình ngưng hay khơng Để thực kiểm tra này, phép thử độ dao động biến TCO, TRC, TR_dis TRE trạng thái bình thường Normal bám 97 bẩn bình ngưng ConFoul thực Dữ liệu sử dụng kiểm tra hệ thống điều hịa khơng khí trung tâm, giải nhiệt nước tịa nhà Saigon Centre, thành phố Hồ Chí Minh, Việt Nam thu thập vào năm 2019 từ hệ thống quản lý tòa nhà Sự dao động biến số vật lý thể hình (a) TCO (b) TRC (c) TR_dis (d) TRE Hình Dao động biến số trạng thái Normal ConFoul: (a) TCO; (b) TRC; (c) TR_dis; (d) TRE Hình 6(a) hình 6(b) cho thấy phạm vi dao động TCO TRC hai trạng thái Normal ConFoul phân biệt rõ ràng Do đó, hai biến số có khả thể quy tắc phát lỗi ConFoul Khi lỗi bắt đầu xảy ra, lớp cáu cặn hình thành với bề dày mỏng, cản trở truyền nhiệt không đáng kể nên biến số thay đổi Trải qua thời gian dài, chiều dày lớp cáu cặn tăng lên, cản trở trao đổi nhiệt bình ngưng tăng khiến TRC TCO cao nhiều Hình 6(c) hình 6(d) thể dao động biến số TR_dis TRE hai trạng thái Normal ConFoul khơng phân biệt rõ ràng Có nhiều mẫu liệu hai trạng thái bị lẫn vào khiến xây dựng quy luật để phân biệt Kết chứng minh hai biến số TCO TRC thật có ý nghĩa việc chẩn đốn lỗi bám bẩn bình ngưng Đồng thời, xu hướng thay đổi biến số lỗi xảy phân tích báo phù hợp với thực tế Kết luận 98 Nghiên cứu đề xuất mơ hình phát chẩn đốn lỗi FDD-KNN cho hệ thống điều khơng khí trung tâm dựa thuật toán KNN đề xuất Kết nghiên cứu cho thấy giá trị K=1 cho hiệu suất chẩn đoán cao Kết nghiên cứu so sánh với mơ hình nghiên cứu trước AC [2], mơ hình SI-PB-BNC [3] mơ hình SP-CNN7-16 [4] cho thấy mơ hình FDDKNN với K=1 khắc phục nhược điểm nghiên cứu trước có tỷ lệ chẩn đốn xác cao đồng lỗi, khơng có lỗi chẩn đốn xác 99.15% Bên cạnh đó, so sánh với GDW-SVDD [5], mơ hình CBA [6] mơ hình EBD-DBN [7] lỗi nghiêm trọng LV3 LV4, khả chẩn đoán mức độ lỗi mơ hình FDD-KNN với K=1 có đạt kết cao nhât Kết kiểm chứng liệu thực của hệ thống điều hịa khơng khí trung tâm tịa nhà Saigon Centre, thành phố Hồ Chí Minh, Việt Nam cho thấy hai biến số TCO TRC có ý nghĩa việc lập lỗi bám bẩn bình ngưng Các xu hướng biến thiên hai biến số phân tích báo phù hợp với thực tế Lời cảm ơn Xin trân trọng cảm ơn trường Đại học Sư phạm Kỹ thuật thành phố Hồ Chí Minh hỗ trợ nhóm tác giả suốt trình thực nghiên cứu TÀI LIỆU THAM KHẢO [1] S Katipamula and M Brambley, "Review Article: Methods for Fault Detection, Diagnostics, and Prognostics for Building Systems—A Review, Part I," HVAC&R Research, vol 11, no 1, pp 3-25, 2005 [2] R Huang et al., "An effective fault diagnosis method for centrifugal chillers using associative classification," Applied Thermal Engineering, vol 136, pp 633-642, 2018 [3] S He, Z Wang, Z Wang, X Gu, and Z Yan, "Fault detection and diagnosis of chiller using Bayesian network classifier with probabilistic boundary," Applied Thermal Engineering, vol 107, pp 37-47, 2016 [4] J Gao, H Han, Z Ren, and Y Fan, "Fault diagnosis for building chillers based on data self-production and deep convolutional neural network," Journal of Building Engineering, vol 34, 2021 [5] K Chen, Z Wang, X Gu, and Z Wang, "Multicondition operation fault detection for chillers based on global density-weighted support vector data description," Applied Soft Computing, vol 112, 2021 [6] J Liu et al., "Data-driven and association rule mining-based fault diagnosis and action mechanism analysis for building chillers," Energy and Buildings, vol 216, 2020 [7] Y Wang, Z Wang, S He, and Z Wang, "A practical chiller fault diagnosis method based on discrete Bayesian network," International Journal of Refrigeration, vol 102, pp 159-167, 2019 [8] N Settouti, M E A Bechar, and M A Chikh, "Statistical Comparisons of the Top 10 Algorithms in Data Mining for Classication Task," International Journal of Interactive Multimedia and Artificial Intelligence, vol 4, no 1, 2016 [9] Z Zhang, H Han, X Cui, and Y Fan, "Novel application of multi-model ensemble learning for fault diagnosis in refrigeration systems," Applied Thermal Engineering, vol 164, 2020 [10] K Yan, A Chong, and Y Mo, "Generative adversarial network for fault detection diagnosis of chillers," Building and Environment, vol 172, 2020 [11] A S Glass, Gruber, P , Roos, M , Todtli, J ,, "Qualitative model-based fault detection in air-handling units," IEEE Control Syst 15 (4), 11–22 1995 [12] J E B M.C Comstock, "Development of Analysis Tools for the Evaluation of Fault Detection and Diagnostics in Chillers ASHRAE Research Project RP-1043," Purdue University, Ray W Herrick Laboratories, West Lafayette, 1999 Le Minh Nhut is Vice Dean of Faculty of Vehicle and Energy Engineering at Ho Chi Minh City University of Technology and Education, Vietnam He received his B S in Heat and Refrigeration Technology from Danang University of Technology in 2003 and M S degrees (in Thermal Engineering) from Vietnam National University, Ho Chi Minh City University of Technology in 2007, respectively He then received his Ph.D degree from Jeju National University, Republic of Korea His fields of interest include refrigeration and air conditioning, thermal systems, and renewable energy Le Ha Dong Quan received her B S in Heat and Refrigeration Technology from Industrial University of Ho Chi Minh City in 2020 She is master student in Thermal Engineering Technology in 2022, Ho Chi Minh City University of Technology and Education, Vietnam 99